インド農村部の識字率課題を解決するAI音声エージェント「FormBharo」

インドにおける社会福祉アクセスの障壁

インドでは、政府やNGOが提供する多くの社会福祉プログラムが、申請フォームの記入から始まります。しかし、これらの恩恵を最も必要とする農村部の住民の多くは、読み書きができないという深刻な課題を抱えています。この識字率の低さが、彼らが社会福祉サービスにアクセスする上での大きな障壁となっています。現状では、最前線で働く医療従事者やコミュニティワーカーが、一人ひとりに付き添い、口頭で情報を聞き取りながらフォームを記入しています。この方法は、人手と時間がかかるため、限られたリソースを非効率的に消費し、多くの人々が支援を受けられない状況を生み出していると私は見ています。私たちはこの非効率性を解消し、より多くの人々が自立してサービスにアクセスできる仕組みが必要だと考えました。

会話型音声エージェント「FormBharo」の設計思想

この課題を解決するために開発したのが、AI音声エージェント「FormBharo」です。FormBharoは、ヒンディー語で「フォームを記入する」という意味を持ちます。その核となる設計思想は、電話を通じた自然な会話で、構造化されたフォームの情報を収集することです。私たちは、低遅延と低コストという厳しい予算制約の中で、このシステムを構築しました。具体的には、大規模言語モデル（LLM）の柔軟な対話能力と、決定論的なルールベースの検証およびフロー制御を組み合わせることで、堅牢性と効率性を両立させています。LLMは自然な会話の生成と情報抽出に貢献し、ルールベースは抽出された情報の正確性を保証し、会話の流れを適切に誘導する役割を担います。これにより、ユーザーは読み書きの能力に関わらず、音声を通じて必要な情報を提供し、フォームを完成させることが可能になります。

実証実験と独自のベンチマーク「FormVoiceAgentBench」

FormBharoは現在、インドで大規模な母子モバイルヘルスプログラムを展開するNGO「ARMMAN」との協力のもと、パイロット運用が進められています。対象は、低所得のヒンディー語を話す母親たちで、妊娠中および出産後のケアプログラムへの登録を支援しています。この取り組みは、この特定の人口層を対象とした登録フォーム記入のための音声エージェントとしては、私たちの知る限り初めての試みであり、その社会的な意義は非常に大きいと感じています。

私たちは、FormBharoの性能を客観的に評価するため、独自のベンチマーク「FormVoiceAgentBench」を開発し、公開しました。このベンチマークは、人間の話者によって録音されたヒンディー語の音声データと、960回のシミュレーションコールにわたる3,760の複数ターン会話テストで構成されています。これにより、音声認識（文字起こし）、情報抽出、返信生成といったエージェントの各コンポーネントの性能だけでなく、実際の音響変動下でのエンドツーエンドのフォーム完了性能を詳細に評価することが可能になりました。このベンチマークの存在は、今後の音声エージェント開発における重要なリソースとなると確信しています。

エンドツーエンド評価が示す真の性能と最適化戦略

FormVoiceAgentBenchを用いた評価から、いくつかの重要な知見が得られました。まず、LLMがエラーの多い実際の音声文字起こしを受け取ると、参照文字起こしを使用した場合と比較して、フォーム完了率が最大約41ポイントも低下することが明らかになりました。これは、音声認識の精度が最終的なシステム性能に大きく影響することを示しています。しかし、ここでルールベースの制御がその真価を発揮します。ルールベースの検証とフロー制御は、ターンレベルで発生する多くの情報抽出エラーを効果的に回復させることができました。その結果、より小さく、より安価なLLMモデルでも、フロンティアモデル（最先端の高性能LLM）と同等かそれ以上のフォーム完了率を達成できることが判明しました。

さらに重要なのは、コンポーネントごとの性能が必ずしもエンドツーエンドの性能を予測しないという点です。例えば、GPT-5.5は参照文字起こしにおけるターンレベルの情報抽出精度では99.8%と非常に高いスコアを示しましたが、エンドツーエンドのフォーム完了率では他のモデルよりも低い結果となりました。これは、エラーがパイプライン全体で伝播したり、あるいは互いに相殺されたりするため、個々のコンポーネントの最適化だけではシステム全体の最適化には繋がらないことを意味します。最適なモデル選択は、エンドツーエンドの評価を通じてのみ明らかになります。私たちは、精度、コスト、遅延という複数の指標において単一のモデルが全てを最適化することは不可能であると認識しています。そのため、これら3つの要素のバランスを最適化するために、パレート最適化に基づく重み付け和スカラー化という手法を用いて、実際に展開可能な構成を選択しました。この多角的な評価と最適化アプローチが、実用的なAIシステムの開発には不可欠だと私は考えます。